May, 2016

面部皮损分析以助于黑色素瘤检测： 由国际皮肤成像合作组织（ ISIC ）主办的 2016 年国际生物医学成像研讨会上的挑战

PDF
TL;DR本文章介绍了一项公共皮肤科图像分析挑战赛的设计与实现，其目的是支持自动诊断致命皮肤癌症麻风疹的算法的研究与开发。通过划分子挑战来分别完成图像分析任务，包括皮损分割、皮损内皮肤镜特征检测和黑色素瘤分类。最终统计共有 79 组参赛选手，38 名参赛者，是迄今为止在皮损镜下诊断黑色素瘤的最大标准化和比较研究之一。
dermatologyimage analysismelanomaskin cancerautomated diagnosis
发现论文，激发创造
  • 2018 年皮肤病变分析挑战赛：面向黑色素瘤检测的国际皮肤成像协作举办的挑战活动

    本研究总结了由国际皮肤成像协作组织（ISIC）主办的全球最大的皮肤图像分析挑战赛的结果，旨在建立皮肤图像智能分析的新标准，实验表明，当前前沿的皮肤图像智能分析仍存在诊断错误率较高的问题以及算法能力泛化差异问题，这对于卫生保健领域中的机器学习工具监管机构来说是一个重要考虑。

    Feb, 2019

  • 使用深度学习网络进行皮肤病变分析以实现黑色素瘤检测

    本文提出了两种深度学习方法来解决皮损分割、皮损皮肤镜特征提取和皮损分类三个任务，实验结果在 ISIC 2017 测试集上表现出有前景的准确率

    Mar, 2017

  • ISIC 2017 - 皮肤病变分析以实现黑色素瘤检测

    本研究利用深度卷积神经网络实现 ISIC 2017 挑战赛的病变分割和分类任务。

    Mar, 2017

  • 一种应用于皮肤镜图像的皮损检测与分割架构

    报告总结了我们在 ISIC 2018 任务 1 中，针对黑色素瘤检测领域的皮肤损伤分析进行病变分割的方法和验证结果。我们提出了一种优化训练方法和集成后处理的二阶段病变分割方法，取得了在病变分割方面的最新成果，赢得了 ISIC 2018 任务 1 的第一名。

    Sep, 2018

  • 使用深度神经网络集成的自动皮肤病变分类：基于 ISIC 2018 数据集的皮肤病变分析，旨在参加黑色素瘤检测挑战

    本研究运用深度学习模型通过计算机视觉系统对皮肤镜图像进行分析和诊断，以检测黑色素瘤和恶性皮肤癌，其中测试结果表明 PNASNet-5-Large 模型具有最佳的验证得分 0.76。

    Jan, 2019

  • BCN20000：野外皮肤镜病变

    本篇论文总结了 BCN20000 数据集，该集包含来自巴塞罗那医学中心在 2010 年至 2016 年期间拍摄的 19424 张皮肤镜检影像，旨在研究皮肤癌的非受限分类问题，包括在难以诊断的部位（指甲和黏膜），不适合镜检设备孔径的大型病变和低色素病变。BCN20000 将提供给 ISIC Challenge 2019 的参与者使用，参与者需要训练算法自动分类皮肤癌镜检影像。

    Aug, 2019

  • 一个以患者为中心的图像和元数据数据集，用于使用临床上下文识别黑色素瘤

    2020 SIIM-ISIC Melanoma Classification challenge dataset was developed to provide patient-level contextual information for dermatologists’ holistic judgment on melanoma, containing 33,126 dermoscopic images and 584 confirmed melanomas among 2,056 patients.

    Aug, 2020

  • 皮肤病变定位和分割的检测器 - 分割师网络

    该研究提出了一种简单而新颖的基于卷积神经网络（CNN）的 “网络中的网络” 方法，用于分割皮肤病变。作者使用了一种名为 Faster RCNN 的方法进行预处理，配合 UNet 和 Hourglass 网络实现皮肤病变的分割。在 ISIC 2018 数据集上，该方法的 Dice 相似度系数达到 0.915，准确率达到 0.959，在 ISBI 2017 数据集上，Dice 相似度系数达到 0.947，准确率达到 0.971。

    May, 2020

  • WonDerM：基于 Fine-tuned 神经网络的皮肤病变分类

    该研究旨在通过深度学习和神经网络应用于皮肤科图像分析挑战解决皮肤病的预测和分类问题，并在验证数据集和测试数据集中分别实现了 0.899 和 0.785 的准确率。

    Aug, 2018

  • 基于照明的变换改进皮肤镜图像中的皮损分割

    本文提出了基于深度学习和皮肤照明成像物理的深度语义分割框架，该方法结合了 RGB 图像和从不同光谱颜色的照明不变的灰度图像、阴影衰减图像等不同信息，应用于三个数据集并取得了 12.02%、4.30% 和 8.86% 的平均 Jaccard Index 提升。

    Mar, 2020